Documentos de Académico
Documentos de Profesional
Documentos de Cultura
cruzada
D. ABURTO M.
1
Objetivos
• Validar el modelo variográfico elegido.
• Validar los parámetros de la vecindad
elegidos.
Sirve para testear diferentes modelos variográficos y
diferentes vecindades de manera de obtener una
estimación más robusta.
2
Funcionamiento (1)
El principio consiste en estimar
sucesivamente un punto de muestreo a
partir de la información restante y de los
parámetros elegidos (modelo variográfico
y vecindad de búsqueda).
Para ello escondemos temporalmente el
valor de la muestra a estimar.
3
Funcionamiento (2)
• Cálculo del error de estimación (valor
estimado menos el valor real), en cada
punto de muestreo.
• Se estudia la calidad de la estimación a
partir del estudio del error de
estimación (a través de estadísticas y
gráficos) y del estudio del error
estandarizado.
4
Error de estimación
y error estandarizado
∗
5
Tipo de análisis
• Regresión entre el valor real y el valor estimado. Debe
ser cercana a 1 para disminuir el sesgo condicional.
• Error y error estandarizado deben ser cercanas a cero.
Condición de insesgo.
• Varianza de los errores debe ser la más baja posible.
Estimador preciso.
• Varianza del error estandarizado debe ser cercana a 1.
6
Regresión entre el valor
verdadero y el estimado
7
Histograma del error
8
Ejercicio‐Error
9
Comparación estimaciones (1)
Fuente: École des Mines de Paris
• La siguiente tabla entrega tres estimaciones diferentes
realizadas en 10 bloques de interés. En un proceso
posterior (al momento de la explotación por ejemplo)
se conoció de forma más certera el valor previamente
estimado, considerando esta última medición como el
valor verdadero
(medido).
10
Comparación estimaciones (2)
Fuente: École des Mines de Paris
• Calcule el promedio del error de estimación por cada
método.
• Trazar las nubes de correlación del valor verdadero en
función del valor estimado (un gráfico por método).
• Cuáles son los métodos que entregan un estimador
insesgado? Cuáles son bajo sesgo condicional.
11
Método 1
12
Método 2
13
Método 3
14
Conclusiones
Ejercicio Error
• Conclusiones?
Recuerde que para un estimador
insesgado el error de estimación ≈ 0
Recuerde que para sin sesgo
condicional el error de estimación ≈ 0
y la nube debe ser “cerrada”
(pendiente =1) (independiente del
valor numérico“R”)
15
Validación de la estimación
D. ABURTO M.
16
Usados en la industria minera
• Comparación de la media de los datos
con la media de los valores estimados.
(No olvidar efecto de alisamiento que
produce el kriging).
• Comparación de la estimación con el
NN. Error relativo, gráficos de derivas o
tendencias.
17
Usados en la industria minera
• Construcción de plantas y secciones para
contrastar con la geología.
• El uso de información posterior (pozos
de tronadura por ejemplo) sirve para
chequear la predictibilidad del modelo.
18
Error relativo
∗
% Nótese a X
como la
Media
Aritmética
Ejemplo en la Industria:
Nótese que el valor verdadero de la muestra es asumido como el NN; por lo 19
tanto, el error relativo es en base al promedio de la estimación KO y el NN.
Derivas o tendencias:
Ejemplo de Sobrestimación
20
Derivas o tendencias:
Ejemplo de Resultados Aceptables
21
Visualización
del modelo de bloques vs muestras
Ejemplo de Sección Vertical
22